Literature by the same author
plus at Google Scholar

Bibliografische Daten exportieren
 

From Potential to Practice : Promoting the Adoption of Artificial Intelligence in Medical Diagnosis

Title data

Hennrich, Jasmin:
From Potential to Practice : Promoting the Adoption of Artificial Intelligence in Medical Diagnosis.
Bayreuth , 2024 . - IX, 60 p.
( Doctoral thesis, 2024 , Universität Bayreuth, Rechts- und Wirtschaftswissenschaftliche Fakultät)
DOI: https://doi.org/10.15495/EPub_UBT_00008014

Official URL: Volltext

Abstract in another language

Artificial intelligence (AI) applications offer great potential to enhance healthcare. With capa- bilities that surpass those of humans, AI applications are particularly promising in assisting physicians in medical diagnosis, increasing accuracy and processing speed, thereby tackling the growing challenges in healthcare. Despite various studies demonstrating the promising poten- tial of AI applications, their widespread practical adoption has progressed slower than expected. Thus, to fully leverage the potential of AI in healthcare, (1) a detailed analysis and comprehen- sive overview of the various obstacles to the adoption of AI applications in medical diagnosis is necessary. With the user playing a central role in determining technology adoption, (2) an in- depth analysis of the physicians’ perspectives regarding AI applications in medical diagnosis is needed to identify context-specific factors influencing adoption from individual user perspec- tive. To promote the adoption of AI applications in medical diagnosis, not only the influencing factors must be identified, but in a second step, (3) measures addressing the hindering factors are required, always mindful that technology should not be used merely for its own sake.
This thesis addresses the three research imperatives through seven research articles. One article provides a comprehensive overview of the current obstacles to the adoption of AI applications in medical diagnosis, four articles deepen the understanding of the factors influencing the adop- tion of health information technologies (HIT) from an individual user perspective, and two ar- ticles focus on measures promoting the adoption of AI applications. Methodologically, this the- sis is grounded in a qualitative and predominantly exploratory research approach. It comprises one structured literature review and six interview-based studies incorporating a total of 107 interviews to gain in-depth information necessary to address the thesis' aims.
Overall, this thesis makes valuable contributions to the technology adoption research stream. It contextualizes well-known influencing factors and adds new context-specific factors influenc- ing the adoption of AI applications in medical diagnosis from an individual user perspective. Further, it contributes by emphasizing the importance of physicians' prior experience with and knowledge of the respective technology in understanding and explaining HIT adoption. This thesis encourages researchers in technology adoption not only to focus on investigating initial adoption, but also on the continuous usage of the technology. Finally, this thesis proposes prac- tical implications in the form of specific measures to promote AI application adoption, focusing on enabling physicians to make an informed adoption decision, whereby demonstrating the added value of the HIT in clinical use appears highly relevant.

Abstract in another language

Künstliche Intelligenz (KI) bietet großes Potenzial, das Gesundheitswesen zu verbessern. Mit Fähigkeiten, die die des Menschen übertreffen, sind KI-Anwendungen besonders vielversprechend, um Ärztinnen und Ärzte bei medizinischen Diagnosen zu unterstützen, die Genauigkeit und Geschwindigkeit zu erhöhen und damit den wachsenden Herausforderungen im Gesundheitswesen zu entgegnen. Trotz zahlreicher Studien, die das vielversprechende Potenzial von KI-Anwendungen aufzeigen, ist die breite praktische Anwendung langsamer vorangeschritten als erwartet. Um das Potenzial von KI-Anwendungen im Gesundheitswesen vollständig auszuschöpfen, ist es daher notwendig, (1) eine detaillierte Analyse und einen umfassenden Überblick über die verschiedenen Hindernisse bei der Einführung von KI-Anwendungen in der medizinischen Diagnose zu erhalten. Die Nutzerinnern und Nutzer spielen eine zentrale Rolle bei der Technologieadoption (2), weshalb eine eingehende Analyse der Perspektiven von Ärztinnen und Ärzten in Bezug auf KI-Anwendungen in der medizinischen Diagnose erforderlich ist, um kontextspezifische Faktoren zu identifizieren, die die Adoption aus der Sicht des individuellen Benutzers beeinflussen. Um die Einführung von KI-Anwendungen in der medizinischen Diagnose voranzutreiben, müssen nicht nur die Einflussfaktoren identifiziert werden, sondern in einem zweiten Schritt sind auch Maßnahmen zur Überwindung der hindernden Faktoren notwendig, wobei darauf zu achten ist, dass Technologie nicht um ihrer selbst willen eingesetzt werden sollte.

Diese Dissertation behandelt die drei Forschungsschwerpunkte durch sieben Forschungsartikel. Ein Artikel bietet einen umfassenden Überblick über die aktuellen Hindernisse bei der Einführung von KI-Anwendungen in der medizinischen Diagnose, vier Artikel vertiefen das Verständnis der Faktoren, die die Adoption von Gesundheitstechnologien aus der Perspektive der individuellen Nutzerinnen und Nutzer beeinflussen und zwei Artikel konzentrieren sich auf Maßnahmen zur Förderung der Einführung von KI-Anwendungen. Methodisch basiert die Dissertation auf einem qualitativen und überwiegend explorativen Forschungsansatz. Sie umfasst eine strukturierte Literaturübersicht und sechs interviewbasierte Studien mit insgesamt 107 Interviews, um die für die Zielsetzung der Arbeit notwendigen detaillierten Informationen zu sammeln.

Insgesamt leistet diese Dissertation wertvolle Beiträge zur Forschung über die Adoption von Technologien. Sie kontextualisiert bekannte Einflussfaktoren und fügt neue, kontextspezifische Faktoren hinzu, die die Adoption von KI-Anwendungen in der medizinischen Diagnose aus der Perspektive der individuellen Nutzerinnen und Nutzer beeinflussen. Darüber hinaus unterstreicht sie die Bedeutung der Vorerfahrung und des Wissens der Ärztinnen und Ärzte über die jeweilige Technologie für das Verständnis und die Erklärung der Gesundheitstechnologie Adoption. Diese Dissertation ermutigt Forschende im Bereich der Technologieadoption, sich nicht nur auf die Untersuchung der initialen Einführung, sondern auch auf die kontinuierliche Nutzung der Technologie zu konzentrieren. Schließlich schlägt die Arbeit praktische Implikationen in Form spezifischer Maßnahmen zur Förderung der Einführung von KI-Anwendungen vor, wobei der Schwerpunkt darauf liegt, Ärztinnen und Ärzte in die Lage zu versetzen, eine fundierte Entscheidungsfindung über die Adoption von KI-Anwendungen zu treffen. Besonders relevant ist dabei den Mehrwert der Gesundheitstechnologie in der klinischen Anwendung aufzuzeigen.

Further data

Item Type: Doctoral thesis
Keywords: Artificial Intelligence; Qualitative Research; Medical Diagnosis; Healthcare; Technology Adoption
Institutions of the University: Faculties > Faculty of Law, Business and Economics
Faculties > Faculty of Law, Business and Economics > Department of Business Administration > Chair Business Administration VII - Information Systems Management and Digital Society > Chair Business Administration VII - Information Systems Management and Digital Society - Univ.-Prof. Dr. Torsten Eymann
Graduate Schools > University of Bayreuth Graduate School
Faculties
Faculties > Faculty of Law, Business and Economics > Department of Business Administration
Faculties > Faculty of Law, Business and Economics > Department of Business Administration > Chair Business Administration VII - Information Systems Management and Digital Society
Graduate Schools
Result of work at the UBT: Yes
DDC Subjects: 000 Computer Science, information, general works > 000 Generalities, Science
300 Social sciences
600 Technology, medicine, applied sciences > 610 Medicine and health
Date Deposited: 19 Oct 2024 21:00
Last Modified: 21 Oct 2024 08:35
URI: https://eref.uni-bayreuth.de/id/eprint/90760